Michał Burdukiewicz:

• bioinformatyk (UMB, IBB PAN, BTU Cottbus-Senftenberg),
• 12 lat doświadczenia z R,
• Stowarzyszenie Wrocławskich Użytkowników R (stwur.pl),
• Fundacja Why R? (whyr.pl).

Materiały: https://github.com/michbur/WizualizacjaDanych2020-2021Z

Riseup: https://pad.riseup.net/p/BI4nhcKXPOTw_8Rswkbf-tmp

Mail: michalburdukiewicz@gmail.com

• Wilkinson, L. (2005). The Grammar of Graphics (New York: Springer-Verlag).
• Biecek, P. (2016). Zbiór esejów o sztuce prezentowania danych Odkrywać! Ujawniać! Objaśniać!” (Warszawa: Wydawnictwo Uniwersytetu Warszawskiego).
• Cairo, A. (2019). How Charts Lie: Getting Smarter about Visual Information

1. Czym są wizualizacje danych?
2. Gramatyka grafiki.
3. Błędy w wizualizacjach danych.
4. Narzędzia do wizualizacji danych.
5. Efektywne projektowanie dashboardów.
6. Zaaawansowane wizualizacje danych.

Joint Committee on Standards for Graphic Presentation (1915). Standards for Graphic Presentation. Publications of the American Statistical Association 14, 790–797.

…(a) is based on qualitative or quantitative data and (b) results in an image that is representative of the raw data, which is (c) readable by viewers and supports exploration, examination, and communication of the data…

\(~\)

Źródło: Tarek Azzam, Stephanie Evergreen, Amy A. Germuth, and Susan J. Kistler. Data visualization and evaluation. New Directions for Evaluation, 2013(139):7 32, 2013.

…involves presenting data in graphical or pictorial form which makes the information easy to understand…

\(~\)

Źródło: Matthew Sadiku, Adebowale Shadare, Sarhan Musa, Cajetan Akujuobi, and Roy Perry. Data visualization. International Journal of Engineering Research and Advanced Technology (IJERAT), 12:2454 6135, 12 2016.

Wizualizacja danych to forma komunikacji. Tak jak każdy komunikat, wykresy muszą być przede wszystkim zrozumiałe dla odbiorcy.

Wykresy 3D w R: https://github.com/tylermorganwall/rayshader

Inspiracje: VennGage

Gramatyka grafiki (grammar of graphics): ustrukturyzowany opis wizualizacji danych.

Wilkinson, L. (2005). The Grammar of Graphics (New York: Springer-Verlag).

Źródło: https://blog.gtwang.org/

Atrybuty wizualne (aesthetics): mapowanie danych do osi, kolorów, kształtów.

Oś X: Sepal.Length. Oś Y: Petal.Length.

Oś X: Sepal.Length. Oś Y: Petal.Length. Kolor: Species.

Oś X: Sepal.Length. Oś Y: Petal.Length. Kształt: Species.

Oś X: Sepal.Length. Oś Y: Petal.Length. Kształt: Species. Kolor: Species.

Geometrie: obiekty reprezentujące dane.

Orientacja obiektów geometrycznych wzgledem siebie też jest istotna.

Dzielenie wykresu na podwykresy w zależności od poziomu zmiennej dyskretnej.

Wykres poprzedni bez fasetowania.

Transformacje danych w celu przypisania ich do atrybutów wizualnych.

1. Czcionki.
2. Dodatkowe elementy graficzne.

1. Czcionka do tytułów/nagłówków.
2. Treść dokumentu.
3. Wyróżnianie treści.

Czcionki wykorzystywane przez Tableau są tak dobrane, aby zapewnić maksymalną czytelność przy małych rozmiarach.

Elementy graficzne nawiązujące do treści wzmacniają przekaz i pozwalają lepiej zrozumieć dane.

• cut: cięcie
• clarity: czystość
• color: kolor
• carat: waga (w karatach)
• price: cena (USD)

1. Fałszywe (przedstawiające fałszywe informacje)
2. Mylące (przedstawiające fałszywie rzeczywiste informacje).

How to Lie with Statistics, Darrell Huff

Trudne porównania - niewłaściwie wybrana metoda wizualizacja.

Niewłaściwie wybrana metoda wizualizacji.

Zbyt duża ilość informacji na jednym wykresie.

Kolory mogą nawiązywać do treści wizualizacji…

… ale schemat kolorystyczny powinien być stosowany konsekwentnie.

Źródło: http://www.asawicki.info/

Źródło: http://www.asawicki.info/

Źródło: http://www.asawicki.info/

https://www.color-blindness.com/coblis-color-blindness-simulator/

Tableau domyślnie dobiera palety kolorów (zarówno ilościowe jak i kategoryczne), które są łatwo rozróżnialne również dla osób z zaburzeniami widzenia barwnego.

Nadmiar stylizacji wykresu może zmniejszać czytelność wykresu.

1. Programistyczne (R, Python, JavaScript)
2. Programy graficzne (Inkscape).
3. Programy dedykowane do wizualizacji danych (Tableau).

Deklaratywne:

• zadanie: warunki jakie musi spełniać wizualizacja,
• jak wizualizacja jest wykonywana jest rozstrzygane wewnętrznie i niezależnie od użytkownika,
• oddzielenie specyfikacji od wykonania.

Imperatywne:

• zadanie: krok po kroku jak stworzyć wizualizację,
• użytkownik w pełni kontroluje każdy detal wizualizacji,
• jeśli warunki jakie musi spełniać wizualizacja zmienią się nawet odrobinę, instrukcja tworzenia może się zmienić znacząco.

https://altair-viz.github.io/gallery/simple_bar_chart.html

https://altair-viz.github.io/gallery/scatter_tooltips.html

https://altair-viz.github.io/gallery/line_with_ci.html

Pythonowe API dla Vega-Lite.

Brian Granger, uzasadniając stworzenie Altaira: I love Python, but do my visualisations using R/ggplot2.

• Małe wsparcie dla typowo stastycznych wizualizacji

Pakiet R: https://github.com/vegawidget/altair (używa reticulate).

https://demo.bokeh.org/movies

• Python jako API do BokehJS,
• praca głownie w Pythonie, JSowy silnik mało dostępny i źle udokumentowany,
• całe dashboardy.

• implementacja w R: https://github.com/bokeh/rbokeh
• ostatni commit: 26.04.2017

Leaflet.js: interaktywne mapy.

W R: https://rstudio.github.io/leaflet/

W Pythonie: https://github.com/python-visualization/folium

https://matplotlib.org/

• trudne zarządzanie czasem na osiach,
• niesatysfakcjonujące mapowanie do kształtów.

Rozszerzenia: https://mpld3.github.io/

https://seaborn.pydata.org/ - oparte na matplotlib.

Świetne szablony wizualizacji!

Pakiety w R: https://github.com/hrbrmstr/vegalite i https://github.com/vegawidget/vegawidget

JSONowa specyfikacja wizualizacji.

Lyra (nie zniechęcać się http://vega.github.io/lyra/).

Lyra 1.0 jest online i działa satysfakcjonująco: http://idl.cs.washington.edu/projects/lyra/.

Inkscape: darmowy i otwarty edytor grafiki wektorowej.

• Oficjalny tutorial.
• Inkscape w praktyce.